基于视频的车辆检测与跟踪方法研究
发布时间：2020-10-25 05:11
车辆是交通行为的主要参与者,获取准确有效的车辆位置和轨迹信息已经成为交通信息提取中的重要任务。交通监控设备的广泛应用,为计算机视觉在复杂交通场景下的应用提供了良好的平台基础。本文通过基于卷积神经网络的交通视频处理技术的研究,提出了一种基于Faster R-CNN和自适应核相关滤波的车辆检测跟踪算法,实现了高效率的车辆检测跟踪。论文主要工作如下:(1)通过对基于卷积神经网络的检测算法以及常用跟踪算法进行分析,结合交通场景的图像特点,提出了城市道路交通场景下基于视频的车辆检测跟踪算法基本框架。(2)设计了一种基于Faster R-CNN车辆检测的目标跟踪初始化系统。采用格式转换后的KITTI车辆数据集进行训练和验证,通过对不同网络结构的检测精确度和速度进行对比实验分析,选择了在城市道路环境下能够满足跟踪初始化实时性需求的网络基础架构。(3)基于一种自适应模型更新的单目标核相关滤波跟踪算法,以深度学习的检测算法结果为初始化,生成多个核相关滤波跟踪器,结合空间位置数据关联算法,实现了一种适合复杂交通场景下的多目标跟踪算法,该算法能够在一定程度上克服传统算法在目标遮挡时跟踪误差大的问题。本文在晴天、雾霾、黑夜等条件下采集城市道路交通视频,并对视频进行间隔帧提取,制作数据集,用于Faster R-CNN检测网络训练和测试;融合检测结果,在跟踪算法上进行实现,获取车辆的轨迹信息。文中方法在HP-Z640平台搭建的Caffe框架下调用Opencv 2.4.13对采集到的交通场景视频进行测试,在20像素的误差阈值条件下,与传统核相关滤波跟踪算法相比,白天和夜间单车跟踪距离精度分别提高了14.7%和12.9%,成功率曲线面积分别提高了18.0%和12.5%。在晴天、雾霾和夜晚条件下,对于多车检测跟踪进行实现,平均处理速度达到37.2 fps,能够实现实时的多目标检测与跟踪。
【学位单位】：长安大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.41;U495
【部分图文】：
图 3.8 KITTI 数据集用 KITTI 数据集中的 7000 张大小为 1242×375 的车辆场景图片，并将其标改为 PASCAL VOC 格式，包括图片大小信息、目标车辆的边框信息，将数据集对应格式放入对应的 Annotation，ImageSets，JPEGImages 中，数据为训练验证集（训练验证集中 80%为训练集，20%为验证集），其余集。
图 3.8 KITTI 数据集中的 7000 张大小为 1242×375 的车辆场景图VOC 格式，包括图片大小信息、目标车辆的式放入对应的 Annotation，ImageSets，JPE集（训练验证集中 80%为训练集，20%为验
的近似联合的方式来实现检测网络的训练。在 Windows 7 系统，NVIDIA GTX1070 TI 8G GPU 条件下，配置好 Caffe 框架相关的依赖项，获取 Faster R-CNN 的 python 版本源代码，以及在 ImageNet 上通用模型，这里是 ZF 模型和 VGG-16 模型，然后分别使用两种模型参数进行化。检测目标是交通场景下的车辆，因此，input_data 层中的类别数量和 cls_scor出数量都修改为 2 类，即车辆和背景。bbox_pred 层中的输出数量也相应的修为 8，即车辆的中心坐标和宽高信息。采取 anchor 交并比大于 0.7 作为正样本，比小于 0.3 作为负样本，学习率初始化为 0.001，迭代次数设置为 50000，其他默认值。结果及性能对比训练完成后使用 KITTI 数据集下测试集中的图片对两中模型的 Faster R-CNN检测。图 3.10 和图 3.11 是从检测结果中选取的两张图片。
【参考文献】
本文编号：2855511
【学位单位】：长安大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.41;U495
【部分图文】：
图 3.8 KITTI 数据集用 KITTI 数据集中的 7000 张大小为 1242×375 的车辆场景图片，并将其标改为 PASCAL VOC 格式，包括图片大小信息、目标车辆的边框信息，将数据集对应格式放入对应的 Annotation，ImageSets，JPEGImages 中，数据为训练验证集（训练验证集中 80%为训练集，20%为验证集），其余集。
图 3.8 KITTI 数据集中的 7000 张大小为 1242×375 的车辆场景图VOC 格式，包括图片大小信息、目标车辆的式放入对应的 Annotation，ImageSets，JPE集（训练验证集中 80%为训练集，20%为验
的近似联合的方式来实现检测网络的训练。在 Windows 7 系统，NVIDIA GTX1070 TI 8G GPU 条件下，配置好 Caffe 框架相关的依赖项，获取 Faster R-CNN 的 python 版本源代码，以及在 ImageNet 上通用模型，这里是 ZF 模型和 VGG-16 模型，然后分别使用两种模型参数进行化。检测目标是交通场景下的车辆，因此，input_data 层中的类别数量和 cls_scor出数量都修改为 2 类，即车辆和背景。bbox_pred 层中的输出数量也相应的修为 8，即车辆的中心坐标和宽高信息。采取 anchor 交并比大于 0.7 作为正样本，比小于 0.3 作为负样本，学习率初始化为 0.001，迭代次数设置为 50000，其他默认值。结果及性能对比训练完成后使用 KITTI 数据集下测试集中的图片对两中模型的 Faster R-CNN检测。图 3.10 和图 3.11 是从检测结果中选取的两张图片。
【参考文献】
相关期刊论文 前8条
1 胡昭华;邢卫国;何军;张秀再;;多通道核相关滤波的实时跟踪方法[J];计算机应用;2015年12期
2 陈珍;夏靖波;柏骏;徐敏;;基于进化深度学习的特征提取算法[J];计算机科学;2015年11期
3 徐超;高梦珠;查宇锋;曹利民;;基于HOG和SVM的公交乘客人流量统计算法[J];仪器仪表学报;2015年02期
4 黄凯奇;陈晓棠;康运锋;谭铁牛;;智能视频监控技术综述[J];计算机学报;2015年06期
5 杨戈;刘宏;;视觉跟踪算法综述[J];智能系统学报;2010年02期
6 苏礼坤;陈怀新;;中值滤波的视频背景更新[J];光电工程;2010年01期
7 刘东;ITS中的车辆检测技术[J];中国人民公安大学学报(自然科学版);2000年04期
8 张学工;关于统计学习理论与支持向量机[J];自动化学报;2000年01期
相关博士学位论文 前1条
1 姚剑敏;粒子滤波跟踪方法研究[D];中国科学院研究生院（长春光学精密机械与物理研究所）;2005年
相关硕士学位论文 前4条
1 倪杰;基于核相关滤波跟踪算法的研究与实现[D];电子科技大学;2017年
2 顾培婷;基于核相关滤波的视觉跟踪算法研究[D];华侨大学;2017年
3 张文桂;基于深度学习的车辆检测方法研究[D];华南理工大学;2016年
4 董亮;视频多目标跟踪的理论与方法[D];西安电子科技大学;2014年
本文编号：2855511
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/2855511.html
